数据融合

多传感器数据融合技术及其应用多传感器数据融合概念数据融合又称作信息融合或多传感器数据融合,对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展,根据国内外研究成果,多传感器数据融合比较确切的定义可概括为充分利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。多传感器数据融合原理多传感器数据融合技术的基本原理就像人脑综合处理信息一样,充分利用多个传感器资源,通过对多传感器及其观测信息的合理支配和使用,把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述。具体地说,多传感器数据融合原理如下:1)N个不同类型的传感器(有源或无源的)收集观测目标的数据;(2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换,提取代表观测数据的特征矢量Yi;(3)对特征矢量Yi进行模式识别处理(如,聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等)完成各传感器关于目标的说明;4)将各传感器关于目标的说明数据按同一目标进行分组,即关联;(5)利用融合算法将每一目标各传感器数据进行合成,得到该目标的一致性解释与描述。多传感器数据融合方法多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer(D-S)证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见,神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。卡尔曼滤波法卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推,决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型,且系统与传感器的误差符合高斯白噪声模型,则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是,采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时,存在很多严重的问题,例如:(1)在组合信息大量冗余的情况下,计算量将以滤波器维数的三次方剧增,实时性不能满足;(2)传感器子系统的增加使故障随之增加,在某一系统出现故障而没有来得及被检测出时,故障会污染整个系统,使可靠性降低。多贝叶斯估计法贝叶斯估计为数据融合提供了一种手段,是融合静态环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组合,测量不确定性以条件概率表示,当传感器组的观测坐标一致时,可以直接对传感器的数据进行融合,但大多数情况下,传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计,将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数,通过使用联合分布函数的似然函数为最小,提供多传感器信息的最终融合值,融合信息与环境的一个先验模型提供整个环境的一个特征描述。D-S证据推理方法-S证据推理是贝叶斯推理的扩充,其3个基本要点是:基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的,分三级。第1级为目标合成,其作用是把来自独立传感器的观测结果合成为一个总的输出结果(ID);第2级为推断,其作用是获得传感器的观测结果并进行推断,将传感器观测结果扩展成目标报告。这种推理的基础是:一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告;第3级为更新,各种传感器一般都存在随机误差,所以,在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此,在推理和多传感器合成之前,要先组合(更新)传感器的观测数据。模糊逻辑推理模糊逻辑是多值逻辑,通过指定一个0到1之间的实数表示真实度,相当于隐含算子的前提,允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模,则可以产生一致性模糊推理。与概率统计方法相比,逻辑推理存在许多优点,它在一定程度上克服了概率论所面临的问题,它对信息的表示和处理更加接近人类的思维方式,它一般比较适合于在高层次上的应用(如决策),但是,逻辑推理本身还不够成熟和系统化。此外,由于逻辑推理对信息的描述存在很大的主观因素,所以,信息的表示和处理缺乏客观性。模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑,模糊逻辑是一种多值逻辑,隶属度可视为一个数据真值的不精确表示。在MSF过程中,存在的不确定性可以直接用模糊逻辑表示,然后,使用多值逻辑推理,根据模糊集合理论的各种演算对各种命题进行合并,进而实现数据融合。人工神经网络法神经网络具有很强的容错性以及自学习、自组织及自适应能力,能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力,恰好满足了多传感器数据融合技术处理的要求。在多传感器系统中,各信息源所提供的环境信息都具有一定程度的不确定性,对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准,这种确定方法主要表现在网络的权值分布上,同时,可以采用神经网络特定的学习算法来获取知识,得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能,即实现了多传感器数据融合。常用的数据融合方法及特性如表1所示。通常使用的方法依具体的应用而定,并且,由于各种方法之间的互补性,实际上,常将2种或2种以上的方法组合进行多传感器数据融合多传感器数据融合技术研究进展遗传算法和模糊理论相结合遗传算法是一种并行算法,能够较好地解决多参数的优化问题,并针对算法的特点采用某些较新的算子,如实编码方式和对应的交叉算子与不一致变异技术的应用都保证遗传算法具有较好的性能并节省时间。另外,遗传算法所采用的某些算子能更好地模拟模糊关系,可以使融合达到较高的精度。将其与模糊理论相结合可以在信息源的可靠性、信息的冗余度、互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合。因此,该方法逐渐成为目前的研究热点之一。例如:ChoiJN等人提出一种基于分层公平竞争的并行遗传算法和信息粒化理论的混合优化模糊推理系统。另外,遗传模糊控制还被用于策略问题的研究模糊理论和神经网络理论相结合神经网络具有大规模并行处理能力、自学习能力和自适应能力,其仿生特性使之能更有效地利用系统本身的信息,并能映射任意函数关系,但缺点是知识表达比较困难,学习速度慢。而模糊系统则采用简单的“如果…则…”规则,但自动生成和调整隶属度函数和模糊规则是个难题[11]。两者相结合产生的模糊神经网络可以看作是一种不依赖于精确数学模型的函数估计器。它除具有神经网络的功能外,还能处理模糊信息,完成模糊推理功能。模糊神经网络的节点和参数均有明显的物理意义,初值比较容易确定,利用学习算法可以使之很快收敛到要求的输入、输出关系,并且,参数的学习和调整比较容易,性能优于单纯的模糊控制和单纯的神经网络[14,15]。模糊系统与神经网络的结合方式各种各样,目前的各种模糊神经网络,一般可分为两类:根据模糊数计算得到的模糊神经网络;以模糊规则的逻辑推理过程为基础而形成的模糊神经网络。第一类模糊神经网络,其结构沿袭普通的多层前向网络,但输入输出为模糊语言值,权值一般取模糊数或清晰数,所以,权值调整算法是根据模糊数的计算特点而改进的BP算法,主要用于模拟模糊规则集,进行近似推理。第二类模糊神经网络的输入输出为精确值,一般包括模糊化、推理和清晰化过程,此类网络由于规则表达形式的多样性和网络模拟方法的灵活性而产生了各种结构和算法,主要用于时间序列预测、多种信息融合等方面[16]。近年来,国内外出现了大量关于模糊神经网络的研究[16～19],如用于非线性模型的模糊神经网络混合辨识方法[17],用一种三层前反馈神经网络和Levenberg-Marquardt学习算法实现模糊系统的“如果…则”规则[18]等。遗传算法和神经网络理论相结合神经网络技术是模拟人类大脑而产生的一种信息处理技术,它使用大量的简单处理单元(即神经元)处理信息,神经元按层次结构的形式组织,每层上的神经元以加权的方式与其他层上的神经元联接,采用并行结构和并行处理机制,因而,网络具有很强的容错性和自学习、自组织及自适应能力,能够模拟复杂的非线性映射[2]。因此,大量的工程实际应用中都将其与遗传算法结合起来使用,如用于片上系统的智能信息处理[24],优化集成电路板中金属层间介电质的参数设计[25]以及处理和分析非线性地震数据[26]等。遗传算法和模糊神经网络相结合模糊神经网络和单纯的模糊控制与单纯的神经网络相比,具有更优的性能,但仍然存在不足,因此,有研究将遗传算法与模糊神经网络结合起来以取得更好的数据融合效果[27]。例如:姜静等人先用遗传算法对模糊神经控制器进行离线训练,然后,用BP算法对模糊神经控制器进一步在线训练,仿真结果表明:模糊神经控制器比模糊控制器取得了更好的控制效果[28]。模糊逻辑和Kalman滤波相结合经典最优Kalman滤波理论对动态系统提出了严格的要求,即当观测几何信息和动力学模型及统计信息可靠时,Kalman滤波计算性能较好。但在实践中很难满足这一条件,在使用不精确或错误的模型和噪声统计设计Kalman滤波器时会导致滤波结果失真,甚至使滤波发散。为了解决此问题,产生了自适应Kalman滤波[29]。Escamilla-Ambrosio等人提出了一种基于模糊逻辑的自适应Kalman滤波数据融合算法,该算法使用模糊逻辑调整Q和R的值使之可以更好地符合协方差的估计值[30]。接着Escamilla-AmbrosioPJ等人又将上述算法用来建立集中式、分布式和混合式的适应Kalman滤波多传感器融合算法[31]。另外,TaftiAD等人还提出了一种可用于实时处理的自适应Kalman滤波和模糊跟踪数据融合算法[32]。近年来,模糊Kalman滤波算法在实际中得到了非常广泛的应用,例如:目标跟踪、图像处理以及组合导航等。模糊理论和最小二乘法相结合最小二乘法的准则是选取X使得估计性能指标(估计误差的平方和)达到最小。它是以误差理论为依据,在诸数据处理方法中,误差最小,精确性最好,并在处理数据过程中不需要知道数据的先验信息[11]。因而,刘建书等人利用模糊理论中的相关性函数对多传感器的相互支持程度进行计算,应用基于最小二乘原理的数据融合方法,对支持程度高的传感器数据进行融合。仿真结果表明:相比同类融合方法,该方法获得的结果具有更高的精度[34]多传感器数据融合技术综述数据融合的3个层次与实现方法下面结合数据融合的3个层次介绍3种主要的实现方法:像素级融合特征级融合决策级融合多传感器数据融合算法研究本文首先阐述了数据融合估计理论，归纳总结了多传感器系统中的各种数据融合结构，建立了基于Kalman滤波的数据融合估计模型，并分别给出了集中式、顺序式、平行式、联合式等结构的Kalman滤波算法，对算法进行了仿真实验，实验结果表明通过多传感器数据融合能够提高系统的估计精度。接着详细研究了有色噪声和信息相关情况下的Kalman滤波，并提出了相应的处理方法。建立了统一线性数据模型，给出了不同情况下的最优的线性融合规则，并研究了非线性也包含线性数据情况下的最优的线性融合规则。最后对威胁估计算法进行了研究，提出了将层次分析法和模糊理论结合起来用于威胁估计，有效地发挥了层次分析法和模糊运算各自的优越性，结合某舰艇防空作战系统给出了该方法的评估过程，对算法进行了示例分析，为作战指挥决策提供了一个更为科学合理的理论方法。多传感器数据算法研究本文围绕着数据融合的三个层次：像素级融合、特征级融合和决策级融合，深入研究了多传感器图像融合、彩色纹理图像分析和雷达组网探测系统，并提出了一系列新的思